Case de Advanced Analytics

Analise para determinar os Meio de campo com maior potencial custo-beneficio

Predição de preços de Meio de campo em R

# Setup Célula oculta para o setup:

Obtenção de Dados

Carrega o nosso CSV O CSV foi gerado através de inner_joins das consultas do banco de dados cedido pelo do professor … As tabelas utilizadas foram: ‘futebol.players’, ‘futebol.habilities’, ‘futebol.features’ e ‘futebol.financial’ e o resultado final é lido logo abaixo. Observação: É necessário alterar o path do read_csv para apontar corretamente o arquivo .csv de acordo com o seu S. O.

df <- read_csv("/media/njaneto/HD1/FIAP/PROGRAMANDO_IA_COM_R/fifa18-data-analysis/model/data/fifa18.csv", locale = locale(encoding = "ISO-8859-1"))

Registered S3 method overwritten by 'cli':
  method     from
  print.tree tree
Rows: 17994 Columns: 57
── Column specification ───────────────────────────────────────────────────────────────────────────────────────────────
Delimiter: ","
chr  (9): name, full_name, club, league, nationality, Position, work_rate_att, work_rate_def, preferred_foot
dbl (48): ID, special, eur_value, eur_wage, eur_release_clause, crossing, finishing, heading_accuracy, short_passin...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

setDT(df)

Análise dos dados

É muito importante prepararmos os dados para a análise e predição que iremos fazer.

Visualização inicial dos dados

A primeira coisa que iremos fazer é obter o número de linhas e colunas do dataframe:

dim(df)

[1] 17994    57

Depois trazemos os primeiros registros utilizando a funão head()

head(df)

E por fim incluímos todos os continentes no dataframe

Africa<-c('Algeria','Angola','Benin','Botswana','Burkina','Burundi','Cameroon','Cape Verde','Central African Republic','Chad','Comoros','Congo','Congo Democratic Republic of','Djibouti','Egypt','Equatorial Guinea','Eritrea','Ethiopia','Gabon','Gambia','Ghana','Guinea','Guinea-Bissau','Ivory Coast','Kenya','Lesotho','Liberia','Libya','Madagascar','Malawi','Mali','Mauritania','Mauritius','Morocco','Mozambique','Namibia','Niger','Nigeria','Rwanda','Sao Tome and Principe','Senegal','Seychelles','Sierra Leone','Somalia','South Africa','South Sudan','Sudan','Swaziland','Tanzania','Togo','Tunisia','Uganda','Zambia','Zimbabwe','Burkina Faso')
Antarctica<-c('Fiji','Kiribati','Marshall Islands','Micronesia','Nauru','New Zealand','Palau','Papua New Guinea','Samoa','Solomon Islands','Tonga','Tuvalu','Vanuatu')
Asia<-c('Afghanistan','Bahrain','Bangladesh','Bhutan','Brunei','Burma (Myanmar)','Cambodia','China','East Timor','India','Indonesia','Iran','Iraq','Israel','Japan','Jordan','Kazakhstan','North Korea','South Korea','Kuwait','Kyrgyzstan','Laos','Lebanon','Malaysia','Maldives','Mongolia','Nepal','Oman','Pakistan','Philippines','Qatar','Russian Federation','Saudi Arabia','Singapore','Sri Lanka','Syria','Tajikistan','Thailand','Turkey','Turkmenistan','United Arab Emirates','Uzbekistan','Vietnam','Yemen','Russia')
Europe<-c('Albania','Andorra','Armenia','Austria','Azerbaijan','Belarus','Belgium','Bosnia and Herzegovina','Bulgaria','Croatia','Cyprus','Czech Republic','Denmark','Estonia','Finland','France','Georgia','Germany','Greece','Hungary','Iceland','Ireland','Italy','Latvia','Liechtenstein','Lithuania','Luxembourg','Macedonia','Malta','Moldova','Monaco','Montenegro','Netherlands','Norway','Poland','Portugal','Romania','San Marino','Scotland','Serbi','Slovakia','Slovenia','Spain','Sweden','Switzerland','Ukraine','England','Vatican City','Republic of Ireland','Wales')
North_america<-c('Antigua and Barbuda','Bahamas','Barbados','Belize','Canada','Costa Rica','Cuba','Dominica','Dominican Republic','El Salvador','Grenada','Guatemala','Haiti','Honduras','Jamaica','Mexico','Nicaragua','Panama','Saint Kitts and Nevis','Saint Lucia','Saint Vincent and the Grenadines','Trinidad and Tobago','United States')
South_america<-c('Argentina','Bolivia','Brazil','Chile','Colombia','Ecuador','Guyana','Paraguay','Peru','Suriname','Uruguay','Venezuela')

df[, continent:= df$nationality]
df <- df %>% relocate(continent, .after = nationality)

df$continent[df$continent %in% Africa ] <- "Africa"
df$continent[df$continent %in% Antarctica ] <- "Antarctica"
df$continent[df$continent %in% Asia ] <- "Asia"
df$continent[df$continent %in% Europe ] <- "Europe"
df$continent[df$continent %in% North_america ] <- "North_america"
df$continent[df$continent %in% South_america ] <- "South_america"

Graficos de analise dos dados

Antes de iniciar a nossa análise, iremos plotar o dataframe para analisar o gráfico resultante, para identificar as melhores variáveis.

plot_intro(df)

Usamos a função plot_missing() para mostrar quais colunas possuem dados faltantes em nosso dataframe.

plot_missing(df)

Então criamos um mapa mostrando a distribuição dos jogadores por país.

pais <- df[,.N, by=nationality]
fr <- joinCountryData2Map(dF=pais, joinCode = "NAME", nameJoinColumn = "nationality", verbose = F)

148 codes from your data successfully matched countries in the map
16 codes from your data failed to match with a country code in the map
95 codes from the map weren't represented in your data

mapCountryData(mapToPlot = fr,nameColumnToPlot = "N",catMethod = "fixedWidth",
               oceanCol = "steelblue1",missingCountryCol = "white",
               mapTitle = "Jogadores por país",
               aspect = "variable") 

Warning in plot.window(xlim = xlim, ylim = ylim, asp = aspect) :
  NAs introduzidos por coerção

Histograma de jogadores por overall Conseguimos identificar uma grande concentração de jogadores com overall entre 60 e 73

histogram <- plot_ly(x = ~df$overall,
                     type = "histogram",
                     marker = list(color = "lightgray",
                                   line = list(color = "darkgray",
                                               width = 1))) %>%
  layout(title = "Histograma por overall dos jogadores (Center-mid)",
         xaxis = list(title = "Overall",
                      zeroline = FALSE),
         yaxis = list(title = "Quantidade",
                      zeroline = FALSE))

histogram

Filtrando Meio campo

Ainda na análise, filtramos os meios campo dos times

MID_EUROPE <- df %>%
  filter(Position == "Center-mid" & continent == "Europe")

head(MID_EUROPE)

Então, selecionamos os meios campos da variável

#-- base para validacao
MID_NOT_EUROPE <- df %>%
  filter(Position == "Center-mid" & continent != "Europe")

head(MID_NOT_EUROPE)

Removendo dados

Pro último, limpamos o dataframe removendo missing data e variáveis não númericas da base de treino.

MID_EUROPE <- MID_EUROPE %>% 
  select_if(~ !any(is.na(.))) %>%
  select_if(~ any(is.numeric(.)))

boxplot(MID_EUROPE)

E por fim, removemos os missing datas e variáveis não numéricas da nossa base de validação.

fifa.18.cm <- MID_NOT_EUROPE %>% 
  select_if(~ !any(is.na(.))) %>%
  select_if(~ any(is.numeric(.)))

head(fifa.18.cm)

Treinamento

Nessa etapa iniciamos o processo de treinamento do nosso modelo.

Boxplot

Grafico de boxplot nos mostra que existem jogadores com valores discrepantes em relação as demais.

boxplot(MID_EUROPE)

NA
NA

Correlação

Gráfico para mostrar a correlação de todas as variáveis.

corrMatrix <- cor(MID_EUROPE)
corrplot.mixed(corrMatrix, 
               lower = "ellipse", 
               upper = "number",
               tl.pos = "lt",
               tl.col = "black",
               order="hclust",
               hclust.method = "ward.D",
               addrect = 3)

Definição do modelo de ML

Testamos as funções ml() e randomFlorest() e a função randomFlorest() se mostrou mais assertivo para o nosso modelo.

set.seed(1)
reg.test <- randomForest(formula = eur_value ~ ., 
                         data = MID_EUROPE, 
                         ntree=100, 
                         proximity=TRUE, 
                         localImp=TRUE)
plot(reg.test)

Predição

Avaliação

Predição dos preços

predito = predict(reg.test, MID_EUROPE)
print(paste("R2: ", R2_Score(predito, MID_EUROPE$eur_value) ) )

[1] "R2:  0.991973709944234"

print(paste("MSE: ", MSE(predito, MID_EUROPE$eur_value) ) )

[1] "MSE:  361097965112.291"

MID_EUROPE[, predito:=predito]
MID_EUROPE <- MID_EUROPE %>% relocate(predito, .after = eur_value)
head(MID_EUROPE)

Dispersão

Avaliaçao de acerto X erro do modelo

MID_EUROPE %>%
  mutate(predito = predict(reg.test, .)) %>%
  plot_ly(x = ~eur_value,
          y= ~predito,
          type='scatter',
          mode='markers',
          text=~paste0("Real value: ", currency(eur_value, symbol='€', digits = 0L), 
                       "\nPredicted value: ", currency(predito, symbol='€', digits = 0L), 
                       "\nError: ", (eur_value - predito)),
          name="Dispersão") %>%
  add_segments(x=0, y=0, xend = 100000000, yend = 100000000, name="Equilíbrio")

Avaliação II

Avaliação dos preços (baseado nos dados que nunca viu antes!)

Predição dos preços

predito = predict(reg.test, fifa.18.cm)
print(paste("R2: ", R2_Score(predito, fifa.18.cm$eur_value) ) )

[1] "R2:  0.946997288889692"

print(paste("MSE: ", MSE(predito, fifa.18.cm$eur_value) ) )

[1] "MSE:  981991924923.896"

fifa.18.cm[, predito:=predito]
fifa.18.cm <- fifa.18.cm %>% relocate(predito, .after = eur_value)
head(fifa.18.cm)

Dispersão

fifa.18.cm %>%
  mutate(predito = predict(reg.test, .)) %>%
  plot_ly(x = ~eur_value,
          y= ~predito,
          type='scatter',
          mode='markers',
          text=~paste0("Real value: ", currency(eur_value, symbol='€', digits = 0L), 
                       "\nPredicted value: ", currency(predito, symbol='€', digits = 0L), 
                       "\nError: ", (eur_value - predito)),
          name="Dispersão") %>%
  add_segments(x=0, y=0, xend = 100000000, yend = 100000000, name="Equilíbrio")

Resultado

Resultado final com os meios campos e seus valores preditos

output <- MID_NOT_EUROPE %>%
  select(Position, name, eur_value) 

output[, eur_value := currency(fifa.18.cm$eur_value, symbol = '€', digits = 0L)]
output[, 'Preço "Calculado" (€)' := currency(fifa.18.cm$predito, symbol = '€', digits = 0L)]
output[, 'Potencial Valorização (€)' := currency((fifa.18.cm$predito - fifa.18.cm$eur_value), symbol='€', digits = 0L) ]
output[, 'Potencial Valorização (%)' := (percent((fifa.18.cm$predito - fifa.18.cm$eur_value) / 100000000)) ]

output <- output %>% 
  rename(
    'Posição' = Position,
    'Jogador' = name,
    'Preço de mercado' = eur_value
  )

head(output)

NA

---

Rodapé

Case de Advanced Analytics ***** Pedro Albuquerque - São Paulo - 2021